オープンセットのテスト時適応におけるID-OODトレードオフの緩和

要旨: オープンセット・テスト時適応（OSTTA）は、分布シフトの影響を受けたイン分布（ID）サンプルと、外れ値分布（OOD）サンプルが同時に存在するような、新しい環境にモデルを適応させるという課題に対処します。このような状況では、共変量シフト――例えば雪などの天候条件の変化――によってIDサンプルが変化し、モデルの信頼性が低下します。そのため、モデルは共変量シフトしたID（csID）サンプルを正しく分類するだけでなく、共変量シフトしたOOD（csOOD）サンプルを効果的に拒否する必要があります。エントロピー最小化は分布シフト下でID性能を維持するためのテスト時適応の一般的な方策である一方、エントロピー最大化はOOD検出を強化する目的で広く適用されています。これまでに、OSTTAの課題に取り組むために、これらの目的を組み合わせようとするいくつかの研究が行われてきました。しかし、エントロピー最小化と最大化の本質的な衝突は、csID分類とcsOOD検出の間で避けられないトレードオフを生みます。本論文ではまず、OSTTAにおけるエントロピー最大化の限界を分析し、その後、特徴量のノルムの大きさを調整するための角度損失と、csOODロジットを抑制するための特徴量ノルム損失を導入することで、OOD検出を改善します。これらの目的は、\underline{r}obust \underline{o}pen-\underline{se}t \underline{t}est-\underline{t}ime \underline{a}daptation であるROSETTAを形成します。提案手法は、CIFAR-10-C、CIFAR-100-C、Tiny-ImageNet-C、ImageNet-Cにおいて、高いID分類性能を維持しながら強力なOOD検出を達成します。さらに、Cityscapesに関する実験により、本手法が現実世界のセマンティックセグメンテーションにおいて有効であることを検証し、HACデータセットの結果によって、異なるオープンセットTTAの設定に対しても適用可能であることが示されます。